自动驾驶数据标注有用吗？
自动驾驶数据标注毫米波提供了障碍物的BEV位置和速度。速度很难用于单帧检测。另外需要注意的是，毫米波雷达输出的障碍物位置不一定是障碍物中心点的位置:一般是在障碍物物体上，但不能确定物体的哪一点。
自动驾驶数据标注自动匹配图像上的雷达和相机对象，并以雷达深度为真值来训练camera对象的实例深度估计。摄像机还以关键点的形式预测三维形状。自动驾驶汽车不仅需要知道谁在车里，还需要能够找到正确的方法来应对复杂的路况。这是一个安全为主的AI应用场景，几乎没有犯错的余地。虽然实现完全自动化是一个漫长的过程，但在汽车制造商迈向无人驾驶的道路上，缓慢的行动也有助于建立消费者的信任。由于计算机视觉机器学习模型的新进展，人工智能自动驾驶的商业机会集中在计算机视觉和激光雷达、视频对象跟踪和传感器数据。
一般情况下，自动驾驶数据标注产生的数据一般是有噪声的，但优点是数据量几乎是无限的，不需要人工标注。使用大量噪声数据的弱监督训练的潜力也被证明了。
自动驾驶数据标注有许多值得探索的方向。对于自动驾驶公司来说，探索如何更好地利用收集到的大量测试数据也很有价值。自动驾驶数据标注使用双目和激光雷达，这个深度图也可以转换为视差的真相。激光雷达点云投影相机的主要问题包括:稀疏，再远一点就没有点云了。保持了。相机和激光雷达须相互偏移。激光雷达可以看到的摄像头可能无法看到。因此，可能会有遮挡点，虽然它们在相机的FOV内，但它们投影到相机上时没有对应的像素，从而导致错误的像素深度。相机与激光雷达的偏移量越大，遮挡的概率和程度就越高。同步。理论上，当激光雷达转向与相机相同的角度时，可以触发相机曝光，但实际上这并不像你想象的那么简单:设备和网络的状态都会影响同步的实际效果。此外，通常的机械激光雷达完成一圈需要100毫秒，而相机曝光时间通常只有几毫秒。低速场景不受非理想同步的影响，而高速场景受非理想同步的影响严重。而且，这里的速度不是汽车的速度，而是汽车相对于环境中其他物体的速度。
